智能机器人基于作业子空间划分的自学习自适应控制方法

现有的机器人自适应控制基本上都是在建立机器人线性化的动力学模型的基础上,采用某种显式或隐式参数辨识的方法,在线地修正控制作用.本文针对机器人运动和动力学参数变化的固有特点,提出一种完全不同的自学习自适应方法.这种方法基于智能机器人分级系统中的两级结构,并且在空间域里而不是在时间域里处理机器人参数的变化.把机器人的作业空间划分成子空间,其中包括重力载荷的作用,每个子空间对应一组控制器.规划的轨迹映射到作业空间形成子空间序列.用自学习方法选择与这个序列对应的最佳控制器序列.该方法算法简单,计算量小.避开了通常的自适应方法遇到的一系列困难问题.     

机器人系统有限时间自适应迭代学习控制

研究任意初态下，机器人系统的有限时间自适应迭代学习控制方法。引入初始修正吸引子的概念，构造一个含有初始修正项的误差变量。针对定常机器人系统和时变机器人系统，采用Lyapunov-like方法，分别设计迭代学习控制器处理系统中不确定性。并且，采用未含/含限幅学习机制，保证闭环系统各变量的一致有界性和误差变量在整个作业区间一致收敛性。藉以实现跟踪误差在预先指定区间的完全跟踪。仿真结果验证所设计控制方法的有效性。     

分数阶Genesio Tesi系统的混沌及自适应同步

对具有五次方非线性项的分数阶Genesio-Tesi系统的混沌及自适应同步进行了研究.首先分析了该系统平衡点的稳定性,并发现该系统满足出现双涡卷混沌吸引子的必要条件.然后研究了在阶数相同和不同的两种情况下的吸引子以及系统随阶数变化的分岔情况.该系统在两种情况下存在混沌的最小有效维数分别为2.784和2.793.基于分数阶系统的稳定性理论,实现了该分数阶系统的自适应混沌同步.数值模拟验证了所设计的自适应控制器和未知参数的辨识观测器的有效性.     

任意初值非线性不确定系统的迭代学习控制

为解决任意初态下的轨迹跟踪问题, 针对一类含参数和非参数不确定性的非线性系统, 提出基于滤波误差初始修正的自适应迭代学习控制方法. 利用修正滤波误差信号设计学习控制器, 并以Lyapunov方法进行收敛性能分析. 依据类Lipschitz条件处理非参数不确定性, 对于处理过程中出现的未知时变参数向量, 利用自适应迭代学习机制进行估计. 经过足够多次迭代后, 藉由修正滤波误差在整个作业区间收敛于零, 实现滤波误差本身在预设的作业区间也收敛于零. 仿真结果表明了本文所提控制方法的有效性.     

具有共存吸引子的混沌系统及其分数阶系统的镇定

研究一个具有共存吸引子的混沌系统及对应分数阶系统的镇定问题.提出了一个新的具有双翼与四翼吸引子共存的混沌系统,利用Lyapunov指数谱和分岔图对系统的性质进行了分析.借助于拓扑马蹄理论和数值计算,找到了系统的拓扑马蹄,并获得了拓扑熵.构造了相应的分数阶混沌系统,此系统亦存在两个孤立的双翼吸引子以及四翼吸引子且共存的双翼吸引子之间没有重叠.设计了线性反馈标量控制器,此控制器用于分数阶混沌系统的镇定.在控制过程中并未删除系统的非线性项,理论分析与仿真计算表明了该方法的有效性.     

具有n个传动器的n个关节机器人系统的学习控制方法

针对由n个传动器所驱动的n个关节机器人系统,采用学习控制的方法讨论了其跟踪 控制的问题.首先通过变换降阶,将相应系统转化为低阶系统,然后针对低阶系统进行设计．该 方法消除了Kawamara方法在学习过程中要求每次学习都要经过相同的初始值的限制,从而克 服了Kawamara方法难以应用到“学习过程中存在初态偏差”的困难.仿真结果说明了此方法的 有效性和优越性.     

具有控制约束的分数阶混沌系统柔性同步控制

研究具有控制约束的两个相同分数阶混沌系统的同步问题.首先,在不消除非线性项的情况下,基于比例控制与自适应控制理论,设计线性自适应切换控制器,实现分数阶混沌系统的同步;其次,考虑到控制器存在约束,利用能够提供无限子控制器的柔性变结构控制策略对线性控制器进行改进,设计柔性变结构控制器,以应对控制的约束,并对线性控制器进行优化;同时,基于分数阶系统Mittag-Leffler稳定判定定理对误差系统的稳定性进行证明.在兼顾系统稳定性与鲁棒性的情况下,可以缩短系统的调整时间,并有效抑制抖振.最后,利用所设计的自适应柔性控制器实现分数阶Chen系统的混沌同步,并通过仿真对比两控制器控制效果,从而验证柔性变结构方法在具有约束的分数阶混沌系统同步控制中的优越性.     

降阶的鲁棒分散自适应反推控制

针对一类含有未建模动态的关联系统,考虑了降阶的鲁棒分散自适应反推控制问题.首先通过一系列坐标变换,将原系统重新参数化,然后引入降阶观测器,得到一个误差系统.基于该系统,给出了一种降阶自适应反推控制器的设计方案.证明了自适应控制系统的所有信号全局一致有界,调节误差渐近收敛到零.控制器阶次的降低使得本文的设计方案更具应用价值.     

抑制初态误差影响的自适应迭代学习控制

针对一类参数化高阶不确定非线性连续系统, 设计迭代学习控制算法, 以解决随机初态对系统跟踪性能产生负面影响的问题. 结合滑模控制思想以及部分限幅参数学习律, 控制算法在预设时间段内抑制随机初态偏差对系统跟踪性能的影响. 经过预设时间后, 随着迭代次数的增加, 系统的跟踪误差及其各阶导数一致收敛到零. 且在整个运行时间段内, 系统各个变量一致有界. 此外, 本文回避了非参数化不确定非线性系统在放宽迭代初值假设时常使用的Lipschitz假设条件, 而采用类Lyapunov函数分析法设计迭代学习控制器. 理论证明和仿真结果都说明了该算法的有效性.     

机械臂带角度修正的开闭环迭代学习轨迹跟踪控制

在迭代学习控制研究中, 通常的一个假设是: 系统每次迭代初态与期望初态一致或迭代初态固定. 针对迭代学习控制律在迭代初态的限制下难以应用到机械臂轨迹跟踪控制中的问题, 本文对机械臂系统模型降阶变换, 将其转化为低阶系统. 对于变换设计后的机械臂系统模型, 提出一种带有角度修正的开闭环迭代学习控制算法, 该算法利用误差信号及相邻两次误差的偏差信号对系统控制律进行逐次修正, 与常规P型算法相比, 充分利用了系统已存的和当前的有效信息, 与常规PD型算法相比, 避免了由于微分作用而带来的不稳定影响. 同时, 用输出向量的角度关系作为评估控制输入好坏的标准对所设计的迭代学习律的变化趋势进行“奖-惩”, 从而实现了良好的跟踪效果并具有较快的收敛速度. 本文还针对机械臂系统存在关节转角限位的情况对控制算法进行改进, 以使机械臂在实际运作中真正实时地完成指定工作任务. 仿真结果表明了所提控制策略的有效性.     

基于强化学习神经网络的车速跟踪控制

提出一种用于汽车排放试验中驾驶机器人对车速跟踪控制的新方法.该控制方法基于神经网络并结合强化学习的自适应能力,通过神经网络的在线学习对车速进行跟踪控制.利用试验汽车所获得的数据,首先开发出用于车速控制的神经网络模型.然后基于强化学习神经网络结构设计神经网络控制器以取得车速跟踪的自适应控制.在仿真研究中,使用神经网络车速控制模型替代实际汽车来训练初始控制器,并用开发与训练好的自学习神经网络控制器用于汽车车速跟踪控制.结果表明,所开发的神经网络控制器具有良好的车速跟踪性能,控制效果明显.     

基于大脑情感学习的四轮驱动机器人速度补偿控制

由于4轮驱动机器人的轮间耦合特性及系统非线性的存在,即使单个驱动电机的控制精度达到最优,机器人整体的运动控制效果也未必理想.针对这一问题,提出一种基于大脑情感学习的机器人速度补偿控制方法.基于大脑情感学习计算模型,设计了融合机器人整体速度跟踪误差及其积分、微分信息的补偿控制器,通过计算模型内部各节点权值的在线学习,及时地调整控制器的参数,实现对4个轮子速度的自适应补偿.仿真实验表明,该方法有效减小了非线性干扰对系统的影响,具有较高的稳态控制精度和较快的响应速度,大大提高了机器人整体的速度和轨迹跟踪精度.     

一种基于小脑模型关节控制器评论-策略家的机器人跟踪控制算法

本文提出了一种基于小脑模型关节控制器(CMAC)的评论–策略家算法,设计不依赖模型的跟踪控制器,来解决机器人的跟踪问题.该跟踪控制器包含位置控制器和角度控制器,其输出分别为线速度和角速度.位置控制器由评价单元和策略单元组成,每个单元都采用CMAC算法,按改进δ学习规则在线调整权值.策略单元产生控制量;评判单元在线调整策略单元学习速率.以双轮驱动自主移动机器人为例,与固定学习速率CMAC做比较,仿真数据表明,基于CMAC的评论–策略家算法的跟踪控制器具有跟踪速度快,自适应能力强,配置参数范围宽,不依赖数学模型等特点.     

基于神经网络观测器的船舶轨迹跟踪递归滑模 动态面输出反馈控制

针对三自由度全驱动船舶速度向量不可测问题,考虑船舶模型参数和外部环境扰动均未知的情况,提出一种基于神经网络观测器的船舶轨迹跟踪递归滑模动态面输出反馈控制方法.该方法设计神经网络自适应观测器估计船舶速度向量,且利用神经网络逼近模型参数不确定项,综合考虑船舶位置和速度误差之间关系构造递归滑模面,再采用动态面控制技术设计轨迹跟踪控制律和参数自适应律,并引入低频增益学习方法消除外界扰动导致的高频振荡控制信号.选取李雅普诺夫函数证明了该控制律能够保证轨迹跟踪闭环系统内所有信号的一致最终有界性.最后,基于一艘供给船进行仿真验证,结果表明,船舶轨迹跟踪响应速度快,所设计控制器对系统模型参数摄动及外界扰动具有较强的鲁棒性.     

非参数不确定系统的有限时间迭代学习控制

针对任意初态情形,引入初始修正作用,研究一类非参数不确定时变系统能够达到实际完全跟踪性能的迭代学习控制方法. 采用Lyapunov-like综合,设计迭代学习控制器处理不确定性时变系统非参数化问题,其中含有有限时间控制作用,以实现在预先指定区间上的零误差跟踪. 并且,运用完全限幅学习机制,保证闭环系统中各变量的一致有界性以及跟踪误差的一致收敛性. 仿真结果表明了所提出控制方法的有效性.     

串联机器人的双模糊自适应滑模控制

提出了一种串联机器人的改进控制算法。采用一自适应模糊控制器,根据滑模到达条件对滑模切换增益进行估算,消除滑模控制中输出力矩的抖振现象,增强其对不确定性因素的适应能力。采用另一自适应模糊控制器对指数趋近律系数进行修正,改善由于大范围初始位姿产生的偏差而引起的大力矩和速度跳变问题。该方法无需确定被控对象的具体数学模型,具有强鲁棒性和高跟踪精度。基于Lyapunov方法进行了稳定性证明,保证控制系统的稳定性与收敛性。实验结果表明,该方法应用于串联机器人,跟踪效果良好并产生了平滑的力矩输出和速度输出。     

Development of a Novel Self‐Tuned Adaptive Supervisory Cerebellar Model Articulation Controller for Induction Motor Drive

This work presents a novel speed control scheme for an induction motor (IM) using an adaptive supervisory differential cerebellar model articulation controller (ASDCMAC). The ASDCMAC has a supervisory controller and an adaptive differential cerebellar model articulation controller (ADCMAC), and the ASDCMAC is utilized as the speed controller. The supervisory controller monitors the control process to keep speed tracking error within a predefined range, and the ADCMAC learns and approximates system dynamics. The connective weights of ADCMAC are adjusted online, according to adaptive rules derived in Lyapunov stability theory, to ensure system stability. The robustness of the proposed ASDCMAC against parameter variations and external load torque disturbances is verified via simulations and experiments, respectively. Three control schemes, the ASDCMAC, fuzzy control, and PI control, are investigated experimentally, and a performance index, root mean square error (RMSE), is utilized for each scheme. The experimental results demonstrate that the ASDCMAC outperforms the two other control schemes with external load torque variations.     

反馈辅助PD型迭代学习控制:初值问题及修正策略

讨论迭代初态与期望初态存在固定偏移情形下 的迭代学习控制问题, 提出带有反馈辅助项的PD型迭代学习控制算法, 可实现系统输出对期望轨迹的渐近跟踪. 为了进一步实现输出轨迹在预定有限区间上对期望轨迹的完全跟踪, 提出分别带有初始修正作用和终态吸引的学习算法. 文中给出所提出的学习算法的极限轨迹, 并对学习算法进行收敛性分析, 推导出收敛性充分条件, 可用于学习增益的确定. 通过数值结果, 验证所提学习算法的有效性.     

An on-line learning neural controller for helicopters performing highly nonlinear maneuvers

This paper presents an on-line learning adaptive neural control scheme for helicopters performing highly nonlinear maneuvers. The online learning adaptive neural controller compensates the nonlinearities in the system and uncertainties in the modeling of the dynamics to provide the desired performance. The control strategy uses a neural controller aiding an existing conventional controller. The neural controller is based on a online learning dynamic radial basis function network, which uses a Lyapunov based on-line parameter update rule integrated with a neuron growth and pruning criteria. The online learning dynamic radial basis function network does not require a priori training and also it develops a compact network for implementation. The proposed adaptive law provides necessary global stability and better tracking performance. Simulation studies have been carried-out using a nonlinear (desktop) simulation model similar to that of a BO105 helicopter. The performances of the proposed adaptive controller clearly shows that it is very effective when the helicopter is performing highly nonlinear maneuvers. Finally, the robustness of the controller has been evaluated using the attitude quickness parameters (handling quality index) at different speed and flight conditions. The results indicate that the proposed online learning neural controller adapts faster and provides the necessary tracking performance for the helicopter executing highly nonlinear maneuvers.     

多步k最近邻初值寻优的气压模拟系统遗忘迭代学习控制

高速列车车内压力波动过大会对乘客舒适性造成影响,而气压模拟系统是一套通过对车内模拟气压跟踪控制,实现对乘客舒适性进行研究的装置.为解决系统历史运行数据利用率低以及存在迭代初始误差导致系统收敛速度慢的问题,采用k最近邻(kNN)算法,建立一种基于历史控制信息的最优初次控制信号提取方法,并根据迭代学习控制的基本原理,将最优控制初值输入到带遗忘因子的迭代学习控制器中,通过不断迭代来实现车内期望气压轨迹的跟踪控制,并和基于大数据的迭代学习控制以及传统PID迭代学习控制进行对比分析.仿真结果表明:基于多步kNN的遗忘迭代学习控制收敛速度更快、系统抖动程度更小、控制精度更高以及算法鲁棒性更好.